基于SABO-VMD-CNN-SVM的分类诊断

SABO-VMD-CNN-SVM的分类诊断,特征可视化 阅读详情

本期内容:基于SABO-VMD-CNN-SVM的分类诊断。

依旧是采用经典的西储大学轴承数据。基本流程如下:

首先是以最小包络熵为适应度函数,采用SABO优化VMD的两个参数。其次对每种状态的数据进行特征向量的求取,并为每组数据打上标签。然后将数据送入CNN进行特征提取, 并进行PCA降维后特征可视化,并与未进行CNN特征提取的数据可视化结果进行比较。最后将CNN提取的特征送入SVM进行分类。

其他数据的故障分类都可以适用该方法!数据替换十分简单,代码注释非常详细!

友情提示:对于刚接触故障诊断的新手来说,这篇文章信息量可能有点大,大家可以收藏反复阅读。即便有些内容本篇文章没讲出来,但其中的一些跳转链接,也完全把故障诊断这个故事讲清楚了。

文件夹目录如下:都是作者精心整理过的。程序运行十分简单,按照步骤,一步步来即可!

8225b73132c06d9fcf830f1671e74129.png

考虑到大家可能会用到VMD的相关作图,包络谱,频谱图等,作者在这里也一并附在代码中了。这部分大家需要自行更改数据!具体可以参考这个:VMD分解,matlab代码,包络线,包络谱,中心频率,峭度值,能量熵,样本熵,模糊熵,排列熵,多尺度排列熵,西储大学数据集为例

如截图所示,本期内容一共做了三件事情:

一,对官方下载的西储大学数据进行处理

步骤如下:

①一共加载4种状态的数据,分别是正常状态,内圈故障,外圈故障,滚动体故障。②设置滑动窗口w,每个数据的故障样本点个数s,每个故障类型的样本量m。③将所有的数据滑窗完毕之后,综合到一个data变量中,也就是截图中的data_total_1797.mat

有关西储大学数据的处理之前有文章也讲过,大家可以看这篇文章:西储大学轴承诊断数据处理,matlab免费代码获取

二,对第一步数据处理得到的数据进行特征提取

选取五种适应度函数进行优化,这里大家可以自行决定选哪一个!以此确定VMD的最佳k和α参数。五种适应度函数分别是:最小包络熵,最小样本熵,最小信息熵,最小排列熵,排列熵/互信息熵,代码中可以一键切换。至于应该选择哪种作为自己的适应度函数,大家可以看这篇文章。VMD为什么需要进行参数优化,最小包络熵/样本熵/排列熵/信息熵,适应度函数到底该选哪个

至于特征提取的具体原理,也在这篇文章进行过详细介绍,大家可以跳转阅读。简单来说,就是利用包络熵最小的准则把每个样本的最佳IMF分量提取出来,然后对其9个指标进行计算,分别是:均值,方差,峰值,峭度,有效值,峰值因子,脉冲因子,波形因子,裕度因子。然后用这9个指标构建每个样本的特征向量。

另外本篇文章采用了2023年一个较新且效率较高的智能算法---减法优化器(SABO),对VMD参数进行了优化,找到了每个故障类型的最佳IMF分量,并利用包络熵最小的准则,提取出了最佳的IMF分量。

三,采用卷积神经网络(CNN)对数据特征进行提取

这里做了对比实验。将经过CNN特征提取的向量和未经过CNN特征提取的向量可视化结果进行对比。具体做法为:采用了PCA降维后进行可视化。结果如下:

b61ec0f12038330e7e5cf70f528e9c3d.png

909cd956499f15bbbea616dead3dad7c.png

第一张图是未经CNN特征提取,直接采用PCA降维后的特征可视化结果,可以看到,正常状态和滚动体故障有严重重叠!而采用CNN提取后,第二张图可以看到,四种状态不存在重合,各个类别区分明显!证明了CNN特征提取的有效性。

五、采用支持向量机实现故障分类

将CNN提取好的特征数据送入SVM进行训练与测试。本文所选SVM是从官网下载的libsvm-3.3版本,作者已编译好,大家可以直接运行。如果想自行编译的童鞋可以从网站下载:https://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html,编译步骤可以参考https://blog.youkuaiyun.com/qq_42457960/article/details/109275227

本文采用了网格搜索机制,并采用5折交叉验证,对SVM的惩罚因子c和gamma参数进行寻优。

结果展示

55fef4c8f8584ab1aa4d1dae3ad85e4b.png

混淆矩阵图,有的文章会采用这种图:

d8503eec42da555191cea73982041f77.png

这里不得不说一句,官方给出的libSVM包,准确率就是嘎嘎高!

以上所有图片在代码包里都能复现。

有些同学可能会用到一些频谱图,包络谱图等,这里以105.mat故障信号为例进行展示:

运行文件夹“VMD分解,matlab代码,包络线,包络熵……”下的MAIN.m文件后,会出现如下运行结果:

96fe4976f3db8b48286eccec07fd4138.png

4badcc5f8ab9a0b7b3f0cbbf4ad6a10e.jpeg

3618e30ff1a4cf3ddbe232532df143b8.jpeg

acfeeb198dee72afe891271d525ff3a5.jpeg

在命令窗口会出现如下计算结果:

IMF1的峭度值为:2.6102
IMF2的峭度值为:3.3346
IMF3的峭度值为:2.9038
IMF4的峭度值为:3.5663
IMF5的峭度值为:2.7648
IMF6的峭度值为:3.2977
IMF分量的能量
    4.9829   10.5892   14.4765   19.8061    8.4764   24.3339


EMD能量熵=%.4f
    0.1693    0.2632    0.3051    0.3423    0.2335    0.3600


IMF1的近似熵为:0.023426
IMF2的近似熵为:0.15115
IMF3的近似熵为:0.08722
IMF4的近似熵为:0.04402
IMF5的近似熵为:0.052554
IMF6的近似熵为:0.14538
IMF1的包络熵为:7.2053
IMF2的包络熵为:7.14
IMF3的包络熵为:7.1537
IMF4的包络熵为:7.0853
IMF5的包络熵为:7.2063
IMF6的包络熵为:7.1476
局部最小包络熵为:7.0853
IMF1的模糊熵为:0.12759
IMF2的模糊熵为:0.090684
IMF3的模糊熵为:0.041706
IMF4的模糊熵为:-0.0032906
IMF5的模糊熵为:-0.011035
IMF6的模糊熵为:0.030635
IMF1的排列熵为:0.61446
IMF2的排列熵为:0.76756
IMF3的排列熵为:0.93485
IMF4的排列熵为:0.95524
IMF5的排列熵为:0.98658
IMF6的排列熵为:0.99433
多尺度排列熵为:
0.36792     0.50757     0.56639     0.64017     0.68493     0.66705     0.69098     0.66583     0.61102     0.62604     0.62396     0.61879     0.67588     0.66087     0.67663     0.65568     0.66656     0.65949     0.63769     0.63972     0.63041     0.60632     0.60124     0.58355     0.57844      0.5803     0.57774     0.55767     0.51696     0.55986
0.48773     0.66594     0.69663     0.62542     0.59005     0.72211     0.73193     0.69654      0.6619      0.6861     0.71204     0.67167     0.63684     0.64251     0.64805     0.65568     0.63513     0.65138     0.64346     0.62353     0.62084     0.58707     0.57752     0.59973     0.58993     0.55851     0.57774     0.58401     0.57735      0.5739
0.57786     0.57523     0.67386     0.65101     0.56296     0.71078     0.58023     0.71316     0.67834     0.65725     0.68971     0.64193     0.68882     0.67817     0.65194     0.64461      0.6221     0.64496     0.62037     0.62467     0.60686     0.59167     0.60124     0.59603     0.58993      0.5803     0.58617     0.58401     0.55902     0.56922
0.58138     0.47632     0.65939     0.66591     0.64333     0.65131     0.68434     0.63124     0.61944     0.67578     0.65511     0.67651     0.64736     0.66422     0.61521      0.6437     0.61607     0.63518     0.60773     0.63671     0.60246     0.58959     0.61178     0.56737     0.59376     0.58841     0.55667     0.55162     0.57277     0.57859
0.54329     0.53176       0.618     0.59543     0.66657     0.71203     0.68693     0.69594     0.56685     0.71009     0.64683     0.66333     0.67515     0.67042     0.63474     0.59895     0.66148     0.64328     0.62614      0.6337     0.63041     0.61969     0.59859     0.58864     0.59376     0.56662     0.57774     0.58401     0.57735     0.56922
0.53646     0.58339      0.5363     0.66055     0.50474     0.62548     0.65051     0.63196     0.67276      0.6993     0.67454     0.64403     0.61372     0.67611      0.5754      0.6362     0.64941     0.59124     0.63191     0.60547     0.60168     0.60632     0.61178     0.60343     0.53724     0.57877     0.59039     0.57523     0.54182     0.56922
IMF1的样本熵为:0.6129
IMF2的样本熵为:0.52726
IMF3的样本熵为:0.32156
IMF4的样本熵为:0.21892
IMF5的样本熵为:0.30553
IMF6的样本熵为:0.24375

部分代码

数据处理代码:

clc;
clear;
addpath(genpath(pwd));
%DE是驱动端数据 FE是风扇端数据 BA是加速度数据 选择其中一个就行
load 97.mat  %正常
load 105.mat  %直径0.007英寸,转速为1797时的  内圈故障
load 118.mat   %直径0.007,转速为1797时的  滚动体故障
load 130.mat  %直径0.007,转速为1797时的  外圈故障
% 一共是4个状态,每个状态有120组样本,每个样本的数据量大小为:1×2048
w=1000;                  % w是滑动窗口的大小1000
s=2048;                  % 每个故障表示有2048个故障点
m = 120;            %每种故障有120个样本
D0=[];
for i =1:m
    D0 = [D0,X097_DE_time(1+w*(i-1):w*(i-1)+s)];
end
D0 = D0';
D1=[];
for i =1:m
    D1 = [D1,X105_DE_time(1+w*(i-1):w*(i-1)+s)];
end
D1 = D1';

SABO优化VMD参数并特征提取的代码:

%% 以最小包络熵、最小样本熵、最小信息熵、最小排列熵,排列熵/互信息熵,为目标函数(任选其一),采用SABO算法优化VMD,求取VMD最佳的两个参数
clear
clc
close all
addpath(genpath(pwd))
xz = 1;  %xz, 选择1,以最小包络熵为适应度函数,
% 选择2,以最小样本熵为适应度函数,
% 选择3,以最小信息熵为适应度函数,
% 选择4,以最小排列熵为适应度函数,
% 选择5,以复合指标:排列熵/互信息熵为适应度函数。
if xz == 1  
    fobj=@EnvelopeEntropyCost;          %最小包络熵
elseif xz == 2
    fobj=@SampleEntropyCost;            %最小样本熵
elseif xz == 3  
    fobj=@infoEntropyCost;              %最小信息熵
elseif xz == 4
    fobj=@PermutationEntropyCost;       %最小排列熵
elseif xz == 5
    fobj=@compositeEntropyCost;       %复合指标:排列熵/互信息熵
end
load data_total_1797.mat   %这里选取转速为1797的4种故障,大家也可以选取其他类型的数据
D=2;             % 优化变量数目
lb=[100 3];      % 下限值,分别是a,k
ub=[2500 10];        % 上限值
T=20;       % 最大迭代数目
N=20;        % 种群规模
vmddata = [];%保存提取好的故障特征向量
zuijiacanshu = []; %保存每种故障状态的最佳VMD参数和对应的最佳IMF索引值
curve = [];  %保存每种故障状态对应的优化VMD收敛曲线
for i=1:4   %因为有4种故障状态
    disp(['正在对第',num2str(i),'个故障类型的数据进行VMD优化……请耐心等待!'])
    every_data = data(1+120*(i-1):120*i,:);  %一种状态是120个样本,每次选120个样本进行VMD优化和特征提取
    vmddata =  [vmddata;new_data];  %将每个状态提取得到的特征向量都放在一起
end
    save curve curve  %保存每种故障状态对应的优化VMD收敛曲线
    save zuijiacanshu zuijiacanshu  %保存每种故障状态的最佳VMD参数和对应的最佳IMF索引值
    save vmddata.mat vmddata  %将提取的特征向量保存为mat文件

CNN-SVM诊断的代码:

%% 初始化
clear
close all
clc
warning off
% 数据读取
addpath(genpath(pwd));
load vmddata.mat  %加载处理好的特征数据
data = vmddata;
bv = 120;    %每种状态数据有120组
%% 给数据加标签值
hhh = size(data,2);
for i=1:size(data,1)/bv
    data(1+bv*(i-1):bv*i,hhh+1)=i;
end
input=data(:,1:hhh);
output =data(:,end);


%% 划分训练集和测试集
jg = bv;   %每组120个样本
tn = 90;    %每组数据选前tn个样本进行训练,后bv-tn个进行测试
input_train = []; output_train = [];
input_test = []; output_test = [];
for i = 1:max(data(:,end))
    input_train=[input_train;input(1+jg*(i-1):jg*(i-1)+tn,:)];
    output_train=[output_train;output(1+jg*(i-1):jg*(i-1)+tn,:)];
    input_test=[input_test;input(jg*(i-1)+tn+1:i*jg,:)];
    output_test=[output_test;output(jg*(i-1)+tn+1:i*jg,:)];
end
input_train = input_train'; 
input_test = input_test';
%归一化处理
[inputn_train,inputps]=mapminmax(input_train);
[inputn_test,inputtestps]=mapminmax('apply',input_test,inputps);  inputn_test =inputn_test';
[c,g] = meshgrid(-10:0.5:10,-10:0.5:10);  %调整间距,可以搜索的更加精细
[m,n] = size(c);
cg = zeros(m,n);
eps = 10^(-4);
v = 5;  %采用5折交叉验证
bestacc = 0;

代码获取

点击下方卡片关注,获取更多代码

故障分类中的特征提取效果浅见 首先说明基本情况,本人入坑轴承故障诊断一年多,对于很多问题可定认识还不到位,研究的也不够彻底,所以这篇文章算是自己的阶段性认知,不一定正确,希望各位道友批评指正。当初之所以选择这个方向,第一是因为我之前的工作就是机械方向,二是人工智能比较热门,三是我认识到这个方向的门槛可能没有那么高。第三点其实很重要,因为我本身不是学机械的,学校和导师这边也没有支持,靠自学想毕业的话只能找自己力所能及的方向。... 阅读详情

相关推荐

56、电力系统线路故障识别与特征提取的机器学习方法

本文探讨了两种基于机器学习的模型在不同领域的应用:电力系统线路故障识别与基于独立子空间分析的稀疏特征提取。前者利用母线电压相角数据,结合傅里叶变换和分类算法(如逻辑回归与随机森林),实现对单条或多条线路故障的高精度识别;后者提出一种受生物视觉皮层启发的无监督分层模型,通过独立子空间分析和非线性池化操作提升图像特征表示能力。文章对比了两者的应用场景、方法优势与局限,并展望了参数优化、缺失数据处理及多模型融合等未来发展方向。

fff88的博客 104

故障数据特征提取

从故障信号中提取特征 特征工程包含特征构建、特征提取、特征选择等,特征提取中有PCA、ICA、LDA以及最新的降维方法t-SNE等,特征选择也有很多种方法可供使用。 本人是研究基于数据驱动的汽车故障诊断,在研究中发现故障信号数据集并不能直接送入有监督的分类器中,还需要在原先数据集的基础上进行特征工程,以便取得更好的检测效果。阅读论文的过程中找到以下6个公式可以从信号数据集中计算统计特征。 以下每个...

sxx1214的博客 1万+

特征参数提取程序_matlab故障分析的经典案例_故障特征_故障特征参数_故障_故障特征提取_

matlab故障分析的特征提取经典案例 已经分类完成 直接使用即可

addpath(genpath(pwd))

pwd表示当前路径 eg: F:\github\CRF\CRF2D genpath(pwd) 当前文件夹下的所有文件夹 F:\github\CRF\CRF2D;F:\github\CRF\CRF2D\CVS;F:\github\CRF\CRF2D\demos;F:\github\CRF\CRF2D\demos\CVS;F:\github\CRF\CRF2D\objectives;F:\

哈哈王 2万+

LAN9252 EEPROM配置全解析:从XML到上电加载的实战指南

EtherCAT从站开发中,EEPROM配置是核心环节,涉及XML描述、二进制生成和SPI/I2C烧录。LAN9252作为经典从站控制器,其配置机制基于ETG规范,通过ConfigData定义SyncManager、FMMU和PDO映射,确保过程数据正确通信。理解这一原理能提升从站开发效率,避免通信异常。应用场景包括伺服驱动、远程IO等。本文深入拆解LAN9252的EEPROM配置流程,涵盖XML结构、SPI模式选择、AN1907迁移及烧录实操,帮助开发者快速上手。

weixin_29172201的博客 334

项目管理面试常见问题及答案

1. 项目管理软件工具知识,   2. 编制项目计划的技术,   3. 人员管理技能   4. 沟通技能   5. 原理体系知识(标生命周期和项目管理)。 项目管理软件工具知识   问题1:工期和工作量之间的差异是什么?   答案1:工期是商业/日历上的天数,与人数和工作量无关。工作量是与日历天数无关的人的工作。例如:   一天的工作量对于一个一只花50%在时间在上面的人来说,他的工期就是两天。...

okbin1991的博客 2848

保姆级教程之SABO-VMD-CNN-SVM的分类诊断,特征可视化

今天出一期基于SABO-VMD-CNN-SVM的分类诊断。依旧是采用经典的西储大学轴承数据。基本流程如下:首先是以最小包络熵为适应度函数,采用SABO优化VMD的两个参数。其次对每种状态的数据进行特征向量的求取,并为每组数据打上标签。然后将数据送入CNN进行特征提取, 并进行PCA降维后特征可视化,并与未进行CNN特征提取的数据可视化结果进行比较。最后将CNN提取的特征送入SVM进行分类。其他数据...

淘个代码 1679

光纤布拉格光栅(FBG)笔记【1】:波导结构和布拉格波长推导

引言 本文是光纤布拉格光栅(FBG)的笔记【1】,主要介绍了光纤布拉格光栅的波导结构,并且利用动量和能量守恒推导了光纤布拉格波长的表达式 普通光纤中让折射率发生周期性变化就是结构最简单的均匀光纤布拉格光栅(FBG),其波导结构如下图所示。 其传感原理描述可以分为以下的三点: ①光纤纤芯传播的光会在每个光栅面进行反射和透射; ②如果不满足布拉格条件,依次排列的光栅平面反射的光会逐渐变得不同直到最后相互抵消;同时由于系数不匹配,与布拉格波长不相符的光在每个光栅平面的反射也很微弱,这些光大部分在光纤中发生透.

subtitle_的博客 2万+

【轴承诊断】基于SABO-VMD-CNN-SVM轴承诊断研究(Matlab代码实现)

SABO-VMD-CNN-SVM框架通过优化信号分解参数、深度特征提取和高精度分类,实现了轴承故障诊断的显著提升。参数自适应性:SABO解决了VMD参数选择的经验依赖问题;特征融合优势:VMD与CNN结合兼顾了信号物理意义与深度特征抽象能力;模型鲁棒性:SVM在小样本和高噪声条件下仍保持稳定性能。📚2 运行结果temp = [];%故障类别数headers = {'故障类别1';'故障类别2';'故障类别3';'故障类别4';'故障类别5';'故障类别6';'故障类别7';'故障类别8';

Ke_Yan_She的博客 1057

Gamit 数据处理,相关的文件配置

一、处理前准备 1、在主文件夹内新建test项目文件,项目内新建brdc、igs和rinex三个文件夹,分别存放广播星历,精密星历几观测值文件,所用的命令分别为sh_get_nav、sh_get_orbits和sh_get_rinex (若文件为.Z,用gunzip命令解压,若仍为d,用命令sh_crx2rnx -f 命令解压为o文件) 2、进入test项目文件夹,链接tables,运行 sh_setup -yr 2015 -apr itrf08_com.apr 3、生成station.info文件。 将t

CodeDoraemon的博客 3377

【LabVIEW懒人系列教程-视觉入门】2.6LabVIEW模板匹配之创建模板

上期2.5在Labview软件框架中实现了模板匹配功能的运用,然而我们的模板图像是通过视觉助手创建出来的,在实际项目中这样做 ,难免有些不妥。所以,今天就给大家讲解一下,如何编写创建模板功能,模板图像的创建与加载需要注意一些什么。 模板图片的创建,大家可以理解为将图像中的一个特征区域扣下来,通过Labview函数进行信息学习,然后保存成带有图像信息的模板图。 具体做法,下面为大家演示一下 百度网盘视频链接:https://pan.baidu.com/s/1-zxcJBxPgk4t1Ej..

视觉龙哥 2168

五篇保姆级分类诊断教程,数据特征提取+优化算法+机器学习

今天水一期,总结一下以前写过的几篇保姆级故障诊断。学会这几篇,机器学习的故障诊断你就基本合格了!本期内容:基于SABO-VMD-CNN-SVM的分类诊断。依旧是采用经典的西储大学轴承数据。基本流程如下:首先是以最小包络熵为适应度函数,采用SABO优化VMD的两个参数。其次对每种状态的数据进行特征向量的求取,并为每组数据打上标签。然后将数据送入CNN进行特征提取, 并进行PCA降维后特征可视化,并与...

淘个代码 1818

ROM和RAM在单片机程序运行理解

ROM和RAM是电子设备中两种核心存储组件,主要区别在于:ROM用于长期存储系统程序、用户文件等固定数据,断电后数据不丢失,但写入速度较慢;RAM则用于临时存储运行中的程序和数据,读写速度快但断电后数据会清空。在单片机中,ROM存储程序代码和常量,RAM存储运行时的变量和数据。两者协同工作,ROM如同"永久档案库"保存必要信息,RAM则像"临时工作台"支持高速运算,共同确保设备正常运行。

qq_37999850的博客 1625
上一篇: 八篇保姆级故障诊断教程,学会这几篇你的故障诊断就算入门了!
下一篇: 智能算法之双曲正弦余弦优化器(SCHO),原理公式详解,附matlab代码
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值